ВЕРОЯТНОСТНАЯ  МОДЕЛЬ  РЕКОМЕНДАЦИИ  КАНДИДАТОВ  ДЛЯ  СИСТЕМЫ  ПОДДЕРЖКИ  ПРИНЯТИЯ  РЕШЕНИЙ  В  ПРОЦЕССЕ  КОМАНДООБРАЗОВАНИЯ

Бейльханов  Дамир  Кайржанович

аспирант  АГТУ,  г.  Астрахань

Email:  mcproxa@yandex.ru

Квятковская  Ирина  Юрьевна

д-р  техн.  наук,  профессор  АГТУ,  г.  Астрахань

Email:  i.kvyatkovskaya@astu.org

PROBABILISTIC  MODEL  RECOMMENDATION  OF  CANDIDATES  FOR  DECISION  SUPPORT  SYSTEM  IN  THE  PROCESS  OF  TEAMBUILDING

Beylkhanov  Damir  Kayrzhanovich

Postgraduate  of  ASTU,  Astrakhan

Kvyatkovskaya  Irina  Yurievna

Doctor  of  Technical  Sciences,  Professor  of  ASTU,  Astrakhan

АННОТАЦИЯ

В  данной  статье  рассматривается  вероятностная  модель  рекомендаций,  как  отдельный  модуль  в  системе  поддержки  принятия  решений  при  отборе  кандидатов  для  того,  чтобы  оценить  скрытые  аспекты  модели  предпочтений  к  работе,  навыки  и  умения.  Совместно  с  этим  подходом  формируется  команда  участников  с  аналогичными  структурами  в  предпочтениях,  основанные  на  скрытых  аспектах,  полученных  из  номинального  профиля  работы.  Учитывая  эти  требования,  на  выходе  получаем  вычислительную  модель  надежности,  позволяющая  охватить  как  индивидуальные  и  другие  навыки,  выступающие  в  качестве  входных  параметров  для  системы  поддержки  принятий  решений,  обрабатывающая  полученные  данные.

ABSTRACT

This  article  discusses  the  probability  model  recommendations  as  a  separate  module  in  the  decision  support  system  for  the  selection  of  candidates  to  evaluate  the  hidden  aspects  of  the  model  of  preferences  for  work,  skills  and  abilities.  In  conjunction  with  this  approach,  the  participants  formed  a  team  with  similar  structures  in  preference  based  on  hidden  aspects  derived  from  the  nominal  job  profile.  Considering  these  requirements,  as  a  result  is  a  reliable  computational  model  extends  the  individual  and  other  skills  that  serve  as  input  criteria  for  a  decision  support  system  that  processes  the  data.

Ключевые  слова:  командообразование,  модель  надежности,  система  поддержки  принятия  решений,  скрытые  навыки,  отношение  доверия,  вычисление  надежности  на  основе  рекомендаций,  вычисление  надежности  на  основе  доверия.

Key  words:  teambuilding,  reliability  model,  decision  support  system,  latent  skills,  trust  relation,  the  calculation  of  reliability  based  on  the  recommendations,  the  calculation  of  reliability  based  on  trust.

На  сегодняшний  день  сложность  командообразования  объясняет  отсутствие  коммерческих  программных  продуктов,  так  как  большинство  доступных  систем  основаны  на  применении  обычного  поиска  ключевых  слов  и  методов  фильтрации  посредством  стандартных  запросов  к  базе  данных.  Более  инновационный  подход  был  представлен  Lang  A.  и  Pigneur  Y.  в  1999  году,  кто  основал  внутренний  рынок  рекрутмента  для  оценки  компетенций  кандидатов,  представленный  в  виде  деревьев  способностей  и  навыков  [2].

Однако,  фактическое  соответствие  кандидатов,  по-прежнему  базируется  на  формировании  стандартных  запросов  к  базе  данных,  чтобы  найти  кандидатов,  которые  удовлетворяют  критериям  поиска.  В  данной  работе  рассматривается  подход  по  применению  вероятностной  модели,  которая  предоставляет  автоматизированный  подход  по  рекомендации  кандидатов  в  системе  поддержки  принятия  решений  (СППР).

Автоматизированные  системы  рекомендаций  были  изначально  разработаны  с  целью  поиска  информации.  Большинство  проблем  связано  с  информационной  перегрузкой,  помогая  клиентам  с  поиском  товаров  или  услуг,  которые  удовлетворяют  их  предпочтениям.  Для  таких  случаев  обычно  использовались  методы  на  основе  поиска  по  контенту  и/или  общие  методы  фильтрации  [4].

Такая  система  рекомендаций  изначально  применялась  для  продвижения  товаров  (такие  как  фильмы  или  книги)  пользователям.  Их  вероятностная  гибридная  модель  рекомендаций  адаптирована  под  вероятностный  скрытый  семантический  анализ,  описанный  Хофманном  [5].  Данная  модель  интерпретирует  предпочтения  пользователей  как  выпуклая  комбинация,  лежащая  в  основе  скрытых  навыков.

На  рисунке  1  показано  графическое  представление  модели  скрытых  навыков,  используемая  для  сравнения  участников.  Параметры  модели  оцениваются,  используя  алгоритм  максимально-ожидаемого  результата  [3],  где  x  представляет  рекрутера  с  предлагаемой  вакансией,  и  a  представляющий  навыки  кандидата  y,  состоящий  из  четырёх  частей,  такие  как  например,  a  =  («математические  навыки»,  «степень  диплома»,  «1.0»,  «Московский  государственный  университет»).  Скрытые  навыки  рассматриваются  в  модели  используя  скрытые  переменные,  в  виде  следующего  выражения:  .

Рисунок  1.  Модель  рекомендаций  кандидата

Модель  окончательных  результатов  в  рейтинговой  матрице  включает  вероятность  того,  что  рекрутер  X  оценил  кандидата  Y  с  оценкой  V  [8].  Последний  параметр  может  любым  значением  или  в  общем  случае  определен  как:  ,  где  0  —  не  подходит,  1  —  подходит.

Этот  вероятностный  подход  автоматически  рекомендует  кандидатов,  которые  лучше  всего  подходят  на  вакансию  на  основе  прошлых  результатов  рейтинга  и  с  учетом  их  основных  навыков  [7].  Однако,  модель  имеет  некоторые  недостатки,  так  как  она  ориентирована  только  на  индивидуальные  навыки  кандидатов,  которые  непосредственно  связаны  с  ними  и  таким  образом,  позволяет  только  прогнозировать  соответствие  кандидата  должности.  Данный  метод  не  учитывает  дополнительную  информацию  для  оценки  навыка  кандидата  работать  в  команде.

Поэтому  необходимо  расширить  данную  модель,  включив  в  нее  подход,  основанный  на  рекомендациях  для  оценки  такого  навыка,  как  умение  работать  в  команде.  Данный  подход  позволит  повысить  качество  прогнозирования  при  подборе  кандидатов  для  формирования  эффективной  команды.

Будем  использовать  более  адаптированную  модель  вероятностного  подхода  для  прогнозирования  соответствия  кандидата,  таким  же  образом,  как  она  используется  в  рекомендации  кандидата  для  того,  чтобы  определить  предпочтения  к  работе,  на  основе  прошлых  рабочих  мест.  Совместно  с  этим  подходом  образуются  команда  участников  с  аналогичными  структурами  в  предпочтениях,  основанные  на  скрытых  навыках,  полученных  из  номинального  профиля  работы.  Таким  образом,  важно  знать,  что  один  пользователь  может  состоять  в  нескольких  группах,  в  отличии  от  методов  кластеризации  [6].  Сходство  между  двумя  пользователями  может  быть  рассчитано  следующим  образом:

                                                           (1)

В  первом  случае,  выражение  справедливо  при  условии:  и  в  противном  случае,  оно  равно  0.

  —  схожесть  к  скрытому  навыку  z,

—  число  переменных  z, 

—  количество  оцененных  профилей  рабочих  мест  между  кандидатами  A  и  B.

Попросту  говоря,  осуществляется  вычисление  разности  вероятности  того,  что  два  кандидата  относятся  к  сегменту,  который  включает  в  себя  скрытый  навык  z.  Подытожим  различия  всех  скрытых  аспектов  и  разделим  на  количество  сегментов.  В  случае,  если  у  нас  нет  совместно-оцененного  профиля  работы  между  двумя  кандидатами,  то  нет  возможности  рассчитать  значение  сходства,  поскольку  алгоритм  максимально-ожидаемого  результата  не  будет  генерировать  результаты,  потому  что  он  выполняется  со  случайными  значениями,  которые  не  могут  быть  правильно  заданы,  если  схожие  профили  работы  не  найдены  [6].  Предположим,  что  положительная  корреляция  между  сходством  пользователей  и  доверии  присутствует,  то  мы  получаем  следующее: 

.

По  мере  увеличения,  число  совместных  по  рейтингу  профилей  работы  является  индикатором  точности  значения  прогнозируемого  доверия,  и  мы  можем  использовать  его  в  качестве  весового  коэффициента  для  расчета  доверия  на  основе  сходства.  В  качестве  примера,  рассмотрим  сценарий  с  тремя  отдельными  профилями  A,  B  и  C,  которые  не  имеют  явных  рейтингов  доверия  друг  к  другу.  Тем  не  менее,  А  и  В,  а  также  B  и  C  имеют  общую  структуру  предпочтения  в  отношении  их  совместного  рейтинга  в  профиле  работы.  Эти  сходства  предпочтений  структуры  используются  для  расчета  сходства  значения  на  основе  доверия.  Это  позволяет  нам  оценить  до  сих  пор  неизвестные  отношения  доверия  между  кандидатами  А  и  С  следующим  образом  [8]:

                                       (2)

Другими  словами,  вычисленные  значения  предполагаемого  доверия  ,,суммируются,  и  сравниваются  с  количеством  оцененных  профилей  работы  каждой  прямой  связи.  Вычисленное  значение  лежит  между  значениями  двух  прямых  отношений  доверия.  Если  сумма  совместного  рейтинга  профилей  работы  меняется,  значение  доверия  соответствующей  связи  изменяется  таким  же  образом  [1]. 

Подход  на  основе  сходства  позволяет  вычислить  сценарий,  где  непосредственно  сочетаются  индивидуальные  и  реляционные  характеристики.  На  основе  имеющихся  профилей  кандидатов  A,  B,  C  и  D  вместе  с  действующим  доверительным  отношением  ,  мы  можем  вычислить  сходства  между  парами  d(x,y).  С  учетом  полученных  данных,  возможно,  прогнозировать  рейтинг  доверия  для  неизвестной  связи    [1].

Используя  данный  подход  предоставляется  возможность  интеграции  данной  модели  в  систему  поддержки  принятия  решений  для  подбора  кандидатов,  где  будет  происходить  обработка  скрытых  аспектов,  предпочтений  к  работе,  навыков  и  умений  кандидатов.  Совместно  с  этим  подходом  формируется  команда  участников  с  аналогичными  структурами  в  предпочтениях,  основанные  на  скрытых  аспектах,  полученных  из  номинального  профиля  работы.  Прототип  приложения  будет  выполнен  в  виде  отдельного  приложения,  построенного  на  основе  реляционной  модели  использующей  профили  кандидатов,  а  также  последние  рейтинги  и  результаты  надежности.  На  следующем  этапе,  необходимо  проверить  реализацию  и  вероятностную  модель  использующейся  в  этом  приложении,  и  провести  предварительное  тестирование  обобщенных  данных  полученных  после  обработки.

Список  литературы:

1.Бейльханов  Д.К.,  Квятковская  И.Ю.  «Использование  подхода  основанного  на  рекомендациях  в  процессе  командообразования».  //  Всероссийская  научная  конференция  молодых  ученых,  аспирантов  и  студентов.  «Проблемы  автоматизации.  Региональное  управление.  Связь  и  автоматика»  (ПАРУСА-2012).  Сборник  трудов,  Южный  федеральный  университет,  Геленджик,  2012,  С.  16—20.

2.Abdul-Rahman  A.,  Hailes  S.  «Supporting  trust  in  virtual  communities».  Proceedings  of  the  33rd  Hawaii  International  Conference  on  System  Sciences,  Maui,  Hawaii,  USA,  January  4—7,  2000.  —  23  pages.

3.Dempster  A.P.,  Laird  N.M.  and  Rubin  D.B.  «Maximum  likelihood  from  incomplete  data  via  the  EM  algorithm»,  J.  Royal  Statist.  Soc.,  B  39,  1977,  pp.  1—38.

4.Guha  R.,  Kumar  R.,  Raghavan  P.  and  Tomkins  A.  «Propagation  of  Trust  and  Distrust».  Proceedings  of  the  World  Wide  Web,  New  York,  USA,  May  17—22,  2004.  —  pp.  403—412.

5.Hofmann  T.  «Probabilistic  latent  semantic  analysis»,  Proceedings  of  the  15th  Conference  on  Uncertainty  in  Artificial  Intelligence  (UAI),  July  30  August  1,  Stockholm,  Sweden,  1999,  pp.  289—296.

6.Lang  A.  and  Pigneur  Y.  «Digital  trade  of  human  competencies»,  Proceedings  of  the  32nd  Annual  Hawaii  International  Conference  on  System  Sciences,  Hawaii,  USA,  1999,  pp.  165—173.

7.Papagelis  M.,  Plexousakis  D.  and  Kutsuras  T.  «Alleviating  the  Sparsity  Problem  of  Collaborative  Filtering  Using  Trust  Inferences»,  to  appear  in  the  3rd  international  conference  on  trust  management,  iTrust,  2005.

8.Resnick  P.  and  Varian  H.R.  «Recommender  systems»,  Communications  of  the  ACM,  40  (3),  1997,  pp.  56—58.